Pytorch与深度学习 —— 附录I. 如何在 Ubuntu 中使用 C/C++ 语言编写 Pytorch 程序

迷南。 2022-09-11 10:22 80阅读 0赞

> PyTorch 之所以会成为和 Tensorflow 并驾齐驱的两大深度学习框架，除了 PyTorch 有极其好用的动态计算图技术外，还在于它的相对开放和自由。此外，PyTorch 还添加了对C/C++/Java等语言的支持，这意味着我们可以先通过Python调试好模型后，再把模型送到 C/Java 为主的应用环境里，为程序赋能。  
> 接下来的这篇文章将介绍如何在 Ubuntu 环境下部署 C/C++ 的Torch应用。

### 文章目录 ###

*  下载 PyTorch C/C++ 库
 *  准备测试用例
 *  编译程序
 *  参考内容
 *  写在后面

# 下载 PyTorch C/C++ 库 #

首先我们先要回到官网，在官网的第一页就有 C/C++ 库包的下载链接。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5omT56CB55qE6Zi_6YCa_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]  
通常我们需要部署的环境是不包含GPU的，所以选择CPU版本，不过如果你的项目组比较土豪，GPU工作站随便用的话，那么就根据需要下载对应的CUDA版本。

目前官网提供的下载链接有两个，我们选第一个就可以了，你也可以直接执行如下命令下载，内容是差不多一样的。

wget https://download.pytorch.org/libtorch/nightly/cpu/libtorch-shared-with-deps-latest.zip
    	unzip libtorch-shared-with-deps-latest.zip

我建议你用迅雷或者其他下载工具下载这个链接，直接用ｗｇｅｔ下载，感觉非常慢。下载完成后，你就需要解压压缩包，这一步没什么可以详细说的了。

下载完成后，建议把**libtorch**放在合适位置，比方说 **/opt** 目录下。

# 准备测试用例 #

我们接下来需要为 C/C++ 准备一下用例

#include <torch/torch.h>
    #include <iostream>
    
    int main() { 
      torch::Tensor tensor = torch::eye(3);
      std::cout << tensor << std::endl;
    }

这个函数是生成一个３ｘ３大小的单位矩阵，并且打印矩阵的内容。准备好这个用例后，我们就要编写一个ＣＭａｋｅ用的ＣＭａｋｅＬｉｓｔ．ｔｘｔ文件。

cmake_minimum_required(VERSION 3.0 FATAL_ERROR)
    project(sample)
    
    find_package(Torch REQUIRED)
    
    add_executable(sample code.cpp)
    target_link_libraries(sample "${TORCH_LIBRARIES}")
    set_property(TARGET sample PROPERTY CXX_STANDARD 14)

如果不懂Ｃｍａｋｅ文件怎么编写的话，这部分你直接照抄就行。然后我们把这两个文件放在同一个文件夹下，例如：

> sample/  
> \---------/code.cpp  
> \---------/CMakeLists.txt

**注意：**  
如果你没安装ｃｍａｋｅ的话，那么可以执行如下命令安装ＣＭａｋｅ

sudo apt install cmake

# 编译程序 #

首先，ｃｄ到这个ｓａｍｐｌｅ文件夹下，然后执行以下内容：

$> mkdir build
    $> cd build
    $> cmake -DCMAKE_PREFIX_PATH=/opt/libtorch ..
    -- The C compiler identification is GNU 9.3.0
    -- The CXX compiler identification is GNU 9.3.0
    -- Check for working C compiler: /usr/bin/cc
    -- Check for working C compiler: /usr/bin/cc -- works
    -- Detecting C compiler ABI info
    -- Detecting C compiler ABI info - done
    -- Detecting C compile features
    -- Detecting C compile features - done
    -- Check for working CXX compiler: /usr/bin/c++
    -- Check for working CXX compiler: /usr/bin/c++ -- works
    -- Detecting CXX compiler ABI info
    -- Detecting CXX compiler ABI info - done
    -- Detecting CXX compile features
    -- Detecting CXX compile features - done
    -- Looking for pthread.h
    -- Looking for pthread.h - found
    -- Performing Test CMAKE_HAVE_LIBC_PTHREAD
    -- Performing Test CMAKE_HAVE_LIBC_PTHREAD - Failed
    -- Looking for pthread_create in pthreads
    -- Looking for pthread_create in pthreads - not found
    -- Looking for pthread_create in pthread
    -- Looking for pthread_create in pthread - found
    -- Found Threads: TRUE  
    -- Found Torch: /opt/libtorch/lib/libtorch.so  
    -- Configuring done
    -- Generating done
    -- Build files have been written to: /home/orlando/sample/build

出现以上内容后，这才说明编译成功，之后就是在ｂｕｉｌｄ目录下执行ｍａｋｅ命令

$> make
    Scanning dependencies of target sample
    [ 50%] Building CXX object CMakeFiles/sample.dir/sample.cpp.o
    [100%] Linking CXX executable sample
    [100%] Built target sample

之后，执行生成的可执行程序，就可以看到输出结果了：

./sample
     1  0  0
     0  1  0
     0  0  1
    [ CPUFloatType{ 3,3} ]

# 参考内容 #

\*　USING THE PYTORCH C++ FRONTEND，https://pytorch.org/tutorials/advanced/cpp\_frontend.html

# 写在后面 #

尽管C/Ｃ＋＋程序具有很高的执行效率，但是我们一般不会在训练网络时用C语言来做训练的，因为有很多参数或者模型要进行调试，直接用C/Ｃ＋＋语言来做这件事其实效率反而低下。所以通常会使用Ｐｙｔｈｏｎ做好模型后，再让模型在具体的C/Ｃ＋＋环境下执行具体的任务。

不过，这也不是绝对的，你也可以按照自己喜好来做，毕竟编程语言只是工具而已。

--------------------

如果你觉得这篇文章对你有所帮助，不妨点赞、收藏。有什么疑问也欢迎在文章下面留言。

祝你好运！

Adios～

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5omT56CB55qE6Zi_6YCa_size_20_color_FFFFFF_t_70_g_se_x_16_pic_center]: /images/20220828/0762fdc734ac4c47917e6359d5077e32.png